所以，排好你的队伍吧。 (很遗憾，没有给我可以复制粘贴的输入。 (in[114]:data=[4、1、2、2、1、1、4、3、2]
in [ 115 ] 3360 col=[ 0，1，1，2，2，3，4，4 ]
in [ 116 ] 3360 row=[ 2，0，4，0，3，5，0，2，3 ]
in [ 117 ] : m=sparse.CSR _ matrix ((data，(col，row ) )
In [118]: M
Out[118]:
5x6 sparse matrix of type ' '
with9storedelementsincompressedsparserowformat
In [119]: M.A
Out[119]:
array ([ 0，0，4，0，0，0 ]，
[ 1，0，0，0，2，0 ]，
[ 2，0，0，1，0，0 ]，
[ 0，0，0，0，0，1 ]，
[ 4，0，3，2，0，0 ] )
in [ 121 ] 3360 center=NP.array [ [ 0，1，2，2，4，1 ]，[ 3，4，1，2，4，0 ] ]
那么怎么计算距离？ 米. a为[ 5，6 ]，中心为[ 2，6 ]。 这两个序列的用途尚不清楚。 在
对于访问“原始”稀疏值，coo格式最容易理解。 这与我用来创建矩阵的行、列和数据相同
^{pr2}$
csr将相同的信息存储在data、indices和indptr数组中。 但是，要从最后两个中提取I、j的值，需要进行一些数学运算。 csr乘法例行程序很好地利用了这些数组。 在
一般来说，与csr矩阵的乘法比加法/减法更好。 在
我等你再弄清楚。 在spatial.distance.cdist(center，M.A，' euclidean ' )中
Out[156]:
Array ([ 5.09901951，3.87298335，5.19615242，5 .5.91607978] )，
[7.34846923、5.38516481、5.91607978、6.8556546、6.08276253]
我们要做的是研究这个函数，理解它的输入。 我们可能会看到超出那个文档的代码。 在
但是，查看这段代码，我们看到了一些步骤来确保xB是二维数组，列数与xA相同。 然后对于euclidian，调用_ distance _ wrap.cdist _ euclidean _ wrap (_ convert _ to _ double (xa ) )，
_convert_to_double(XB )，dm ) )
看起来像c语言的说唱歌手。 我无法想象提供稀疏矩阵的方法是什么。 在
可以重复行； 使用M[[0]，].A调用dist与{}相同，但速度不同。 迭代矩阵的行有点慢。 因为每次迭代都会构造新的稀疏矩阵。 csr和{}是行迭代最快的两个。 在
介绍几种直接迭代lil格式属性的方法。 deffoo(a、b、n ) :
# make a dense array from data，row
RES=NP.Zeros((1，n ) )
res[0，b]=a
返回RES
In [190]: Ml=M.tolil () ) )。
In [191]: Ml.data
out [ 191 ] 3360阵列([4]、[ 1，2 ]、[ 2，1 ]、[1]、[ 4，3，2 ]、dtype=object ) ) ) ) ) ) )
In [192]: Ml.rows
Out[192]: array([[2]，[ 0，4 ]，[ 0，3 ]，[5]，[ 0，2，3 ]，dtype=object
in[193]3360rowgen=(foo(a，b，6 ) for a，binzip (ml.data，Ml.rows ) ) ) ) )。
in [ 194 ] : NP.concatenate ([ spatial.distance.cdist (center，row，' euclidean ' ) for row in rowgen] )，axis=1
Out[194]:
Array ([ 5.09901951，3.87298335，5.19615242，5 .5.91607978] )，
[7.34846923、5.38516481、5.91607978、6.8556546、6.08276253]
现在跳过时间测试。 在